Few-Shot Learning

少样本学习 (FSL) 是机器学习 (ML)的一个专业子领域，旨在训练模型，使其能够使用极少量的标记样本来识别和分类新概念。在传统的深度学习 (DL)中，要达到高准确率通常需要包含每个类别数千张图像的大规模数据集。然而，FSL 模仿了人类从有限经验中快速泛化的认知能力——就像小孩子在书里看过一两张图片后就能认出长颈鹿一样。在收集大量训练数据成本极高、耗时费力或实际上不可能实现的场景中，这种能力对于部署人工智能 (AI)至关重要。

少样本学习的核心机制#

FSL 的主要目标是通过利用先验知识来减少对外延数据收集的依赖。模型不是从头开始学习模式，而是利用包含少量标记样本的“支持集”来理解新类别。这通常通过诸如元学习（也称为“学会学习”）等先进技术来实现。在这种范式中，模型在各种任务上进行训练，以便学习到最佳的初始化或更新规则，从而使其能够以极小的调整适应新任务。

另一种常见的方法涉及基于度量的学习，即模型使用嵌入将输入数据映射到向量空间中。在这个空间中，相似的项目紧密聚类在一起，而不相似的项目则被推开。原型网络等算法会计算每个类别的平均表示（即原型），并根据新查询样本与这些原型的距离对其进行分类。这通常依赖于在更大、通用的数据集上进行预训练期间所培养的特征提取能力。

实际应用#

少样本学习正在改变那些数据匮乏曾经阻碍 AI 技术应用的行业。

医学影像与诊断#

在医学图像分析领域，获取罕见病理的数千次标记扫描往往是不可行的。FSL 允许研究人员仅使用少量的注释案例研究来训练计算机视觉 (CV)系统，以检测罕见的肿瘤类型或特定的基因异常。这种能力使人们能够更公平地获得先进的诊断工具（这也是斯坦福医学等机构追求的目标），从而帮助识别否则需要专业人类专业知识才能发现的病症。

工业质量控制#

现代制造业中的 AI 严重依赖自动化检测。然而，特定缺陷可能发生得非常少，这使得构建包含“不良”部件的大型数据集变得困难。异常检测系统借助 FSL 能够仅凭几张图像就了解新缺陷类型的特征。这使工厂操作员能够快速更新其质量保证协议，而无需为了收集数据而停止生产，从而显著提高了动态生产环境中的效率。

区分相关概念#

为了理解 FSL 的特定定位，将其与类似的低数据学习范式进行区分是很有帮助的：

• 迁移学习： FSL 通常被实现为迁移学习的一种特定且极端的表现形式。标准的迁移学习可能会在数百张图像上微调像YOLO26这样的模型，而 FSL 针对的是每类可能仅有 5 到 10 张图像的场景（被称为“N-way K-shot”分类）。
• 单样本学习： 这是 FSL 的一个严格子集，模型必须从精确的一个标记示例中进行学习。它通常用于面部识别，以便针对单个存储的照片验证身份。
• 零样本学习： 与需要至少少量视觉支持集的 FSL 不同，零样本学习在训练期间不需要目标类的任何视觉示例。相反，它依赖于语义描述或属性（如文本提示）来识别未见过的物体。

使用 Ultralytics 的实际实现#

在实践中，执行少样本学习最有效的方法之一是利用高度鲁棒的预训练模型。像较新的YOLO26这样的先进模型已经从COCO或ImageNet等海量数据集中学习到了丰富的特征表示。通过在一个微小的自定义数据集上微调这些模型，它们能够以惊人的速度和准确率适应新任务。

以下 Python 示例演示了如何使用 ultralytics 软件包在小型数据集上训练模型，从而有效地执行少样本自适应：

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

挑战与未来展望#

FSL 尽管功能强大，但在可靠性方面也面临挑战。如果提供的少数示例是异常值或带有噪声，模型的性能就会下降，这个问题被称为过拟合。对数据增强和合成数据生成的研究对于减轻这些风险至关重要。随着基础模型变得越来越大、功能越来越强，并且诸如Ultralytics 平台之类的工具简化了模型的训练和管理，使用极少数据创建定制 AI 解决方案的能力将越来越为全球开发者所触手可及。